為研究夜間追尾事故中本車智能防撞預(yù)警方法，本文提出了一種基于毫米波雷達(dá)和機(jī)器視覺的前方車輛檢測方法。利用多傳感器融合數(shù)據(jù)，檢測前方車輛的距離、速度等。建立傳感器之間轉(zhuǎn)換關(guān)系，轉(zhuǎn)換雷達(dá)目標(biāo)的世界坐標(biāo)到圖像坐標(biāo)。

在圖像上形成感興趣區(qū)域，利用圖像處理方法減少干擾點(diǎn)，運(yùn)用Dempster-Shafer（D-S）證據(jù)理論，融合特征信息，得到總的信任度值檢驗(yàn)感興趣區(qū)域內(nèi)的車輛。實(shí)驗(yàn)采集多段夜間道路行車視頻數(shù)據(jù)，統(tǒng)計(jì)實(shí)現(xiàn)尾燈識別的幀數(shù)，與主觀判斷進(jìn)行比較。結(jié)果表明：該方法能夠?qū)崿F(xiàn)對夜間前方車輛的檢測和定位。

道路交通事故中由追尾相撞導(dǎo)致的事故占很大比例，而夜間交通事故尤為嚴(yán)重，約占交通事故總數(shù)的40%。夜間車輛檢測技術(shù)已成為智能車輛安全輔助駕駛系統(tǒng)的重要組成部分，用于準(zhǔn)確地識別夜間前方車輛，為駕駛員及時(shí)提供前方車輛信息及路況，降低夜間交通事故的發(fā)生[1]。

夜間由于光線強(qiáng)度不夠，大部分白天的車輛特征信息已經(jīng)不可用，因此用于白天的車輛檢測算法基本失效。車輛尾燈是夜間車輛的明顯特征，目前，對于夜間前方車輛檢測識別的研究主要是利用單目視覺傳感器，獲取車輛前方的視覺感知信息，基于圖像信息提取尾燈特征進(jìn)行前方車輛識別。

劉尊洋等人結(jié)合車輛尾燈的顏色與亮度檢測尾燈[2]；吳海濤等人對前車燈對配對進(jìn)行車輛的跟蹤[3]；唐佳林等人采用幀差法提取感興趣區(qū)域[4]；王孝蘭選擇基于模糊理論的分割方法對圖像進(jìn)行分割，提取車牌、尾燈的特征[5]；祁秋紅等人通過色調(diào)（hue）-飽和度（saturation）-明度（value）的顏色模型（HSV）對尾燈的顏色信息進(jìn)行分割，辨出車輛位置[6]；周俊杰采用基于R通道直方圖的紅（red）-綠（green）-藍(lán)（blue）彩色（RGB）空間自適應(yīng)閾值分割圖像，自適應(yīng)效果不是很理想[7]。

機(jī)器視覺是一種用于車輛檢測的有效傳感器，但其有一定的局限性，因此有文獻(xiàn)提出綜合考慮激光雷達(dá)和機(jī)器視覺的信息，進(jìn)行前方目標(biāo)車輛檢測[8-9]。雖然激光雷達(dá)和機(jī)器視覺在一定程度可以互補(bǔ)，但激光雷達(dá)對天氣、燈光、障礙物表面光滑度等干擾非常敏感，不適合復(fù)雜道路環(huán)境。

由于毫米波雷達(dá)不易受外界干擾而且測量的距離精度高，可以準(zhǔn)確獲得前方車輛的速度、角度等深度信息。因此，本文提出利用毫米波雷達(dá)和機(jī)器視覺進(jìn)行多傳感器數(shù)據(jù)融合，通過先驗(yàn)知識篩選毫米波雷達(dá)探測到的障礙物數(shù)據(jù)，融合雷達(dá)數(shù)據(jù)和圖像信息初步確立動態(tài)感興趣區(qū)域（RegionofInterest，ROI），在縮小的范圍內(nèi)基于視覺傳感器提取表征車輛的特征，運(yùn)用D-S證據(jù)理論（Dempster-ShaferEvidentialTheory）融合信息，減少了計(jì)算量和主觀閾值對檢測精確度的影響，提高了執(zhí)行速度和車輛定位的準(zhǔn)確性。

1.夜間車輛檢測算法實(shí)現(xiàn)

整個過程分為假設(shè)產(chǎn)生（HypothesisGeneration，HG）和假設(shè)檢驗(yàn)（HypothesisVerifcation，HV）兩部分：

假設(shè)產(chǎn)生過程利用雷達(dá)獲取候選目標(biāo)的的距離、角度、速度等信息，進(jìn)而得到候選目標(biāo)的世界坐標(biāo)，逆用攝像機(jī)標(biāo)定原理得到世界坐標(biāo)與圖像像素坐標(biāo)的轉(zhuǎn)換關(guān)系，初步確定候選目標(biāo)在圖像上的區(qū)域，即感興趣區(qū)域ROI；

假設(shè)驗(yàn)證過程是通過改進(jìn)的自適應(yīng)閾值確定方法（大津法，OTSU法）進(jìn)行圖像分割處理，進(jìn)而利用圖像處理方法、先驗(yàn)知識和D-S證據(jù)理論對感興趣區(qū)域檢測是否存在車輛特征。

圖1夜間前方車輛檢測方法流程圖

算法流程圖如圖1所示。

2.假設(shè)產(chǎn)生（HG）

2.1雷達(dá)數(shù)據(jù)處理及初選目標(biāo)的確定

毫米波雷達(dá)接收到的是十六進(jìn)制數(shù)據(jù)，根據(jù)雷達(dá)協(xié)議解算數(shù)據(jù)，并提取可以用于車輛檢測的有效信息包括：前方車輛相對于本車的角度、距離、速度、反射強(qiáng)度。在實(shí)際測量中，毫米波雷達(dá)獲取的信號有一部分是空目標(biāo)信號、無效目標(biāo)信號、靜止目標(biāo)信號，首先要去除這3種目標(biāo)信號的干擾。

根據(jù)國家規(guī)定車道寬度設(shè)置橫向?qū)挾乳撝?，進(jìn)行目標(biāo)與自車的同車道判斷，保留行駛方向距離閾值和相對速度閾值內(nèi)的目標(biāo)，對篩選出的前方目標(biāo)由近及遠(yuǎn)的原則重新排序，使用同車道近距離原則初選有效目標(biāo)，如表1所示。

表1初選有效目標(biāo)信號

表1中：ID表示雷達(dá)檢測得到的目標(biāo)信號的標(biāo)準(zhǔn)幀號；α、R、Δv分別為本車與目標(biāo)信號的相對角度、相對距離、相對速度（?v=v1-v0，v1為目標(biāo)速度，v0為本車速度）；p從目標(biāo)返回信號的強(qiáng)度，即反射率。

長距離的毫米波雷達(dá)掃描范圍是1~175m，中距離是1~60m。距離小于1m時(shí)雷達(dá)就不能識別物體。以避免車輛行駛過程中與前方車輛發(fā)生追尾碰撞為出發(fā)點(diǎn)，在有效目標(biāo)選擇過程中最關(guān)注的是與本車位于同一車道的前方最近車輛。當(dāng)Δv＜0，有出現(xiàn)追尾事故的可能。因此，把雷達(dá)掃描近距離1~60m內(nèi)、離本車最近且Δv＜0的車輛作為初選目標(biāo)。

2.2雷達(dá)數(shù)據(jù)和機(jī)器視覺的融合

雷達(dá)和機(jī)器視覺是不同坐標(biāo)系的傳感器，因此要實(shí)現(xiàn)雷達(dá)和機(jī)器視覺的空間融合，必須建立兩傳感器所在坐標(biāo)系的轉(zhuǎn)換模型，即雷達(dá)坐標(biāo)與圖像像素坐標(biāo)之間的轉(zhuǎn)換。雷達(dá)坐標(biāo)系與圖像像素坐標(biāo)系之間有著密切的聯(lián)系[10]，按照右手系原則建立坐標(biāo)系，由式(1)-(2)確定坐標(biāo)系之間的空間位置關(guān)系。

將世界坐標(biāo)系中的點(diǎn)(XW,YW,ZW)變換到圖像像素坐標(biāo)(u,v)，轉(zhuǎn)換公式為：

式中：(XW,YW,ZW,1)^T是點(diǎn)的世界坐標(biāo)，與其對應(yīng)的攝像機(jī)齊次坐標(biāo)是(XC,YC,ZC,1)^T，dx與dy分別表示每個像素在橫、縱軸上的物理單位下的大小，f是攝像機(jī)的焦距，s'表示因攝像機(jī)成像平面坐標(biāo)軸相互不正交引出的傾斜因子（SkewFactor），R代表旋轉(zhuǎn)矩陣（為一個3×3的正交單位矩陣），t代表平移向量，I是元素全為1的對角矩陣，O=(0,0,0)^T。

毫米波雷達(dá)獲取的前方障礙物信息是在極坐標(biāo)下的二維信息，將障礙物P的極坐標(biāo)下的二維信息轉(zhuǎn)換到直角坐標(biāo)系中，雷達(dá)坐標(biāo)系的X0O0Z0平面與世界坐標(biāo)系的XOZ平面平行，兩平面之間的距離為Y0，通過雷達(dá)可以得到前方車輛中心點(diǎn)投影到雷達(dá)掃射平面內(nèi)的點(diǎn)P相對雷達(dá)的距離R和角度α，確定點(diǎn)P在世界坐標(biāo)系下的坐標(biāo)，轉(zhuǎn)換關(guān)系如下：

由雷達(dá)獲得前方車輛形心點(diǎn)的輸入，綜合以上建立雷達(dá)坐標(biāo)系和圖像像素坐標(biāo)系之間的相對關(guān)系，即可獲得前方車輛在像素平面的投影，基于車輛的常用外形（寬高比）投影在像素平面上，建立可以根據(jù)距離變化的動態(tài)感興趣區(qū)域，縮小在圖像上的搜索時(shí)間，減少計(jì)算量。通過統(tǒng)計(jì)發(fā)現(xiàn)一般車輛的寬高比在0.7~2.0范圍內(nèi)，常見轎車、運(yùn)動型多功能車（SportUtilityVehicle，SUV）、面包車、商用車輛等車型的寬高比在0.7~1.3范圍內(nèi)[11]，為了避免后續(xù)尾燈檢測時(shí)會遺漏尾燈目標(biāo)，本文選取常見幾種車型的最大寬高比W/H=1.3。

動態(tài)感興趣區(qū)域的確定如下：

式中：(x_lt,y_lt)，(x_rb,y_rb)分別為動態(tài)感興趣矩形區(qū)域的左上角點(diǎn)和右下角點(diǎn)的像素坐標(biāo)，(x,y)為車輛形心點(diǎn)的像素坐標(biāo)。

圖2雷達(dá)掃描圖

圖3雷達(dá)目標(biāo)在圖像上的的ROI

雷達(dá)掃描圖如圖2所示。雷達(dá)坐標(biāo)系中的目標(biāo)經(jīng)坐標(biāo)轉(zhuǎn)換關(guān)系在圖像上形成的感興趣區(qū)域如圖3中的(a)列所示。動態(tài)感興趣區(qū)域的大小會隨目標(biāo)的距離發(fā)生變化，以更適合的尺寸截取感興趣區(qū)域圖像進(jìn)行下一步檢測驗(yàn)證，縮小了檢測范圍，從而減少計(jì)算量提高檢測實(shí)時(shí)性。獲取的感興趣區(qū)域圖像如圖3b列所示。

3.假設(shè)驗(yàn)證（HV）

3.1圖像分割

前方車輛尾燈對的灰度級與路面及背景的灰度級有明顯區(qū)別，采用閾值分割的方法可以快速準(zhǔn)確地將尾燈對分割出來。

本文采用改進(jìn)的OTSU算法分割圖像，凸顯出表征車輛特征的尾燈部分。改進(jìn)的OTSU算法是以傳統(tǒng)OTSU為基礎(chǔ)，從最小灰度值到最大灰度值遍歷，當(dāng)灰度T使得方差σ^2=w_0*w_1*(μ_0-μ_1)^2最大時(shí)，再次利用傳統(tǒng)OTSU對圖像中大于T的部分從灰度T到最大灰度值遍歷，得到閾值T0使大于灰度值T的部分的方差最大，提取閾值T0，用T0對感興趣區(qū)域圖像進(jìn)行二值化分割，目標(biāo)灰度為1，背景灰度為0。

圖4分割后圖像

分割后的圖像如圖4所示。

3.2?基于圖像形態(tài)學(xué)及先驗(yàn)知識的圖像處理

由于噪聲的影響，圖像在閾值化后所得到的邊界往往是很不平滑的，物體區(qū)域具有一些噪聲孔，背景區(qū)域上散布著一些小的噪聲物體，對分割后的圖像進(jìn)行圖像形態(tài)學(xué)開閉運(yùn)算處理，用來消除小物體、在纖細(xì)點(diǎn)處分離物體、平滑較大物體的邊界，同時(shí)并不明顯改變其面積。腐蝕操作會去掉物體的邊緣點(diǎn)，細(xì)小物體所有的點(diǎn)都會被認(rèn)為是邊緣點(diǎn)，因此會整個被刪去。再做膨脹時(shí)，留下來的大物體會變回原來的大小，而被刪除的小物體則永遠(yuǎn)消失了。膨脹操作會使物體的邊界向外擴(kuò)張，如果物體內(nèi)部存在小空洞的話，經(jīng)過膨脹操作這些洞將被補(bǔ)上，因而不再是邊界了。再進(jìn)行腐蝕操作時(shí)，外部邊界將變回原來的樣子，而這些內(nèi)部空洞則永遠(yuǎn)消失了[12]。開運(yùn)算和閉運(yùn)算的運(yùn)算規(guī)則如下：

通過對采集到的不同距離的253張像素為768×576的圖片進(jìn)行處理后統(tǒng)計(jì)，車輛明亮塊的面積最小不低于10，最大不超于300，同一車輛的左右尾燈亮塊之間的水平距離不小于20大于300。同時(shí)，文獻(xiàn)[13]提出0~100m的距離范圍內(nèi)，在不同距離采集到的圖像上的車輛尾燈亮塊面積不小于10，因此先通過亮斑的面積閾值和水平距離閾值去除感興趣區(qū)域部分的一些干擾亮斑。

圖5基于圖像形態(tài)學(xué)和先驗(yàn)知識處理后的圖像

本文通過采用圖像形態(tài)學(xué)和先驗(yàn)知識處理后的圖像如圖5所示。

3.3D-S證據(jù)理論融合特征信息

對處理后的感興趣區(qū)域部分的圖像進(jìn)行連通區(qū)域標(biāo)記，提取圖像上可以表征車輛的特征，包括：連通區(qū)域面積比、垂直方向重疊率，運(yùn)用D-S證據(jù)理論，融合車輛的特征信息得到總的信任度值。

定義1：設(shè)辨識框架U中的元素滿足不相容條件，命題A對基本概率賦值函數(shù)p賦值p(A)是集合2^U到[0,1]的映射，滿足如下條件：

本文定義辨識框架為U={true,false}，記連通區(qū)域面積比R_A、垂直方向重疊率為R_O，辨識框架下的2個命題分別為A_1、A_2，其相應(yīng)的證據(jù)概率函數(shù)為p_1、p_2，兩連通區(qū)域面積比接近1的時(shí)候，連通區(qū)域?qū)儆谕卉囕v的概率比較大，垂直方向重疊率越接近1，兩連通區(qū)域在同一水平的概率越大，因此兩個命題的基本概率函數(shù)值由下式確定：

采用D-S組合規(guī)則，對相容命題所對應(yīng)的概率分配值進(jìn)行融合，從而得到這些相容命題的交集命題所對應(yīng)的概率分配值。假設(shè)p_1和p_22個基本概率函數(shù)的焦元分別為B_1,?,B_k與C_1,?,C_k，運(yùn)用正交和規(guī)則p(A)=p_1⊕p_2得到2個證據(jù)體的組合輸出為：

p(A)即是p_1和p_2的綜合概率賦值。

圖6運(yùn)用D-S證據(jù)理論融合信息檢測出的車輛尾燈

最終設(shè)立信任度閾值驗(yàn)證車輛如圖6所示。

圖7不同尾燈檢測圖

圖8不同干擾狀態(tài)檢測出的車輛尾燈

不同尾燈檢測結(jié)果見圖7；不同干擾狀態(tài)檢測出的車輛尾燈檢測結(jié)果見圖8。

通過對不同車型試驗(yàn)，本方法的視覺驗(yàn)證可以實(shí)現(xiàn)對不同大小、形狀的尾燈的驗(yàn)證；在實(shí)際行車時(shí)，會出現(xiàn)前相鄰車輛開啟轉(zhuǎn)向燈、前后車輛距離過近造成前相鄰車輛的尾部會出現(xiàn)大面積反光、攝像機(jī)晃動的情況，這幾種干擾狀態(tài)下視覺驗(yàn)證也可以實(shí)現(xiàn)對尾燈的驗(yàn)證。

4.試驗(yàn)結(jié)果

圖9夜間前方車輛識別

試驗(yàn)的硬件運(yùn)行環(huán)境為Intel奔騰E6500CPU，軟件環(huán)境包括WindowsXP系統(tǒng)，VC++6.0集成開發(fā)環(huán)境和OpenCv開源計(jì)算機(jī)視覺庫[14]。采集夜間道路上行駛車輛的視頻數(shù)據(jù)，利用搭建的毫米波雷達(dá)與視覺系統(tǒng)進(jìn)行識別與判斷。車輛檢測的實(shí)驗(yàn)結(jié)果如表2所示。夜間環(huán)境條件下的前方車輛識別效果如圖9所示。

表2車輛檢測的實(shí)驗(yàn)結(jié)果

經(jīng)統(tǒng)計(jì)部分視頻數(shù)據(jù)并與人員主觀判斷比較，其中包含車輛圖像共1170幀，識別出車輛尾燈的圖像共1060幀，準(zhǔn)確率達(dá)90.6%。因此，本文方法在夜間環(huán)境下具有較好的檢測效果；車輛所處環(huán)境的光照條件較差，存在路燈、地面反光等干擾光源，且路燈與車燈相似，但檢測系統(tǒng)仍可以準(zhǔn)確識別車輛尾燈，標(biāo)記出車燈位置。

5.結(jié)論

試驗(yàn)表明通過雷達(dá)可以確定前方車輛的距離、速度等信息，并形成感興趣區(qū)域。在感興趣區(qū)域內(nèi)采用基于機(jī)器視覺的圖像信息驗(yàn)證車輛，這不僅可以減少外界環(huán)境的干擾，還可以縮小檢驗(yàn)范圍，減少計(jì)算量。

試驗(yàn)結(jié)果表明：研究使用的毫米波雷達(dá)和機(jī)器視覺融合的方法可以有效識別夜間前方車輛。該方法對于不同形狀的車輛尾燈具有很好的識別效果。由于車尾燈重疊或遮擋會發(fā)生驗(yàn)證失誤，這是下一步研究的重點(diǎn)。